面向医学影像应用的公平共形预测器

深度学习有潜力自动化医学影像中许多具有临床实用价值的任务。然而，与传统统计方法相比，这些“黑箱”算法缺乏透明性和可解释性等问题阻碍了深度学习向临床实践的转化。具体而言，许多临床深度学习模型缺乏严谨且稳健的技术来传达其预测的确定性（或不确定性），最终限制了其在医疗决策中广泛应用的吸引力。此外，大量算法偏见的 demonstrations 加深了对将深度学习部署于临床应用的犹豫。为此，我们探索了共形预测如何通过提供一种直观表达不确定性的方式，同时为临床用户提供更高的透明度，来补充现有的深度学习方法。在本文中，我们对放射科医师进行了实地访谈，以评估共形预测器的可能用例。利用从这些访谈中收集的见解，我们设计了两个临床用例，并在一个皮肤病变分类的皮肤病学摄影数据集上对几种共形预测方法进行了实证评估。我们展示了如何通过均等化覆盖率（equalized coverage）修改共形预测，使其更能适应患者肤色的亚组差异。最后，我们将共形预测与认知不确定性的度量进行了比较。